此外，研究桥梁模板力学性能相关经验知识的数学表征方法，并分析KGNN模型预测的规律aX;j它、为RC构件i的第k个力学特性参数预测值)，据此建立经验知识一致性判断函数L(。勿ax>勿ax为所有预测值Y对输J偏导数，Y=Y;k)，将其嵌入神经网络架构以监督其训练过程，从而筛选出符合经验知识的训练模型，且剔除不符合经验知识的模型，如下所示:从mnLay/ax>PaY;klax;j>(2)i=1j=1k=1式中，Ns,m和n为样本数量、输入特征数量和输出特征数量，P(aY;k/ax;j)为基于经验知识的判断函数，计算方程如下所示:P(aY;k/ax;j>=:aY;k/aX;jxaY;k/aX;j>0;aY;klax;rxaY;klax;r。(3)aY;klax;j=Yrkxr>>xr2…,x;j+d,x;j+l，…)一x>(4)式中，4(d>0)为输入参数增量。当KGNN模型预测规律与经验知识一致时，即。YrklaxrjxaY;klaxrj>0且La勿ax>=o，说明KGNN模型能够正确反映各参数影响，模型进入最优模型候选区;否则将其剔除。模型训练与验证:将训练集数据输入到训练模型中反复训练不同架构的KGNN模型，将所有符合经验知识的模型收入最优模型优选区;并通过各模型的性能比较确定最优的模型。为了验证训练结果的有效性，本文采用均方根误差(E)与拟合系数(R2)来评估各模型的误差和拟合度:式中，Ek为对第k个力学特性参数预测的均方根误差，Rzk为对第价力学特性参数预测的拟合度，Y、为所有样本的第k个力学特性参数平均值，NS为数据集样本的数量。可以看出，Eke小、Rzk越大，则模型预测结果越好。据此可确定最优模型架构及连接权重，得到桥梁模板力学性能KGNN分析模型。http://www.sddongqiao.com/